1. Toy模板网首页
  2. > Toy博客

Learning Sample Relationship for Exposure Correction 论文阅读笔记

10月前 作者：ssf-yasuo 分类：Toy博客 阅读(54) 违法举报

这篇具有很好参考价值的文章主要介绍了Learning Sample Relationship for Exposure Correction 论文阅读笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Learning Sample Relationship for Exposure Correction 论文阅读笔记,论文阅读笔记,论文阅读,笔记

  • 这是中科大发表在CVPR2023的一篇论文，提出了一个module和一个损失项，能够提高现有exposure correction网络的性能。这已经是最近第三次看到这种论文了，前两篇分别是CVPR2022的ENC（和这篇文章是同一个一作作者）和CVPR2023的SKF，都是类似即插即用地提出一些模块来提高现有方法的性能，实验结果都是以方法A+XX比方法A性能提高，方法B+xx比方法B性能提高的方式展示。

  • 文章的动机是，在多曝光数据集上训练时，同一个batch可能同时出现需要增亮的样本和需要抑制过曝的样本，而这两种样本的优化方向是相反的，从而产生负面影响。为了解决这个问题，本文提出通过学习一个batch的样本间的关系。不过我个人觉得这个逻辑上说不通，需要增亮的样本和需要抑制过曝的样本的优化方向相反问题通过归一化可以解决，通过样本间的关系解决就很奇怪了，本来样本间也没有什么关系。

  • 而样本间关系主要是通过把特征转到 B × C B\times C B×C然后batch之间做注意力实现的，如下图所示，将encoder提取的 B C H W B C H W BCHW的特征reshape成 B × C ′ B\times C' B×C′，再attention，再resize回去，再decoder得到结果。这个过程是很直观简单的。比较复杂的是训练流程。首先丢掉中间的transformer的部分，先用reconstruction任务train encoder decoder，然后fix encoder decoder的参数只训练transformer的参数，这一阶段的训练仍然是reconstruction任务，但是不再是对 I I I和 I ′ I' I′算L1损失，而是取其相位分量算损失（从而剥离亮度因素）。文章认为，transformer本身自带的交互会影响这一重建任务，所以通过这一重建任务可以使得样本之间的内容交互作用被抑制，从而使得整个BCM模块只进行亮度交互作用
    Learning Sample Relationship for Exposure Correction 论文阅读笔记,论文阅读笔记,论文阅读,笔记

  • 上面这个模型训练完之后呢，就产生了一个可以进行样本间交互的模块，然后在训练现有的exposure correction模型的时候，可以按下图的方式去利用上述模型的encoder和transformer去获取隐空间特征，计算GT和增强结果的隐空间特征的L1距离作为额外的损失：
    Learning Sample Relationship for Exposure Correction 论文阅读笔记,论文阅读笔记,论文阅读,笔记

  • 实验结果显示，通过这个方法可以提高一些现有方法的性能：
    Learning Sample Relationship for Exposure Correction 论文阅读笔记,论文阅读笔记,论文阅读,笔记

  • 评价：角度很新奇，如果是真的，说明现有expsoure correction模型的潜能还没有被完全发掘出来，通过更合理的训练策略和损失函数，可以提高现有模型的性能，同时还不增加推理的计算负担。文章来源地址https://www.toymoban.com/news/detail-725668.html

到了这里，关于Learning Sample Relationship for Exposure Correction 论文阅读笔记的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 论文阅读--Conservative Q-Learning for Offline Reinforcement Learning

    摘要 在强化学习( RL )中有效地利用以前收集的大量数据集是大规模实际应用的关键挑战。离线RL算法承诺从先前收集的静态数据集中学习有效的策略，而无需进一步的交互。然而，在实际应用中，离线RL是一个主要的挑战，标准的离线RL方法可能会由于数据集和学习到的策略之

    2024年04月17日
    浏览(61)
  • 【论文阅读】Equivariant Contrastive Learning for Sequential Recommendation

    【论文阅读】Equivariant Contrastive Learning for Sequential Recommendation

    2023-RecSys https://github.com/Tokkiu/ECL 对比学习（CL）有利于对具有信息性自我监督信号的顺序推荐模型的训练。 现有的解决方案应用一般的顺序数据增强策略来生成正对，并鼓励它们的表示是不变的。 然而，由于用户行为序列的固有属性，一些增强策略，如项目替代，可能会导致

    2024年01月18日
    浏览(45)

  • 论文阅读--Diffusion Models for Reinforcement Learning: A Survey

    一、论文概述 本文主要内容是关于在强化学习中应用扩散模型的综述。文章首先介绍了强化学习面临的挑战，以及扩散模型如何解决这些挑战。接着介绍了扩散模型的基础知识和在强化学习中的应用方法。然后讨论了扩散模型在强化学习中的不同角色，并对其在多个应用领域

    2024年03月20日
    浏览(55)
  • 论文阅读【14】HDLTex: Hierarchical Deep Learning for Text Classification

    论文阅读【14】HDLTex: Hierarchical Deep Learning for Text Classification

    论文十问十答： Q1论文试图解决什么问题？ 多标签文本分类问题 Q2这是否是一个新的问题？ 不是 Q3这篇文章要验证一个什么科学假设？ 因为文本标签越多，分类就越难，所以就将文本类型进行分层分类，这样就可以加大文本分类的准确度。 Q4有哪些相关研究？如何归类？谁

    2023年04月09日
    浏览(43)
  • 论文阅读：Heterogeneous Graph Contrastive Learning for Recommendation（WSDM ’23）

    论文阅读：Heterogeneous Graph Contrastive Learning for Recommendation（WSDM ’23）

    论文链接 在推荐系统中，图神经网络在建模图结构数据上已经变成一个强有力的工具。但是现实生活的推荐语义通常涉及异质关系（像用户的社交关系，物品知识关系的依赖），这些都包含丰富的语义信息去提升表征能力的学习。同时，对比自监督学习在推荐系统中也取得了

    2024年02月08日
    浏览(49)
  • 材料论文阅读/中文记录：Scaling deep learning for materials discovery

    材料论文阅读/中文记录：Scaling deep learning for materials discovery

    Merchant A, Batzner S, Schoenholz S S, et al. Scaling deep learning for materials discovery[J]. Nature, 2023: 1-6. 全文速览 这篇文章主要讲了一种名为 GNoME 的 材料发现框架 。该框架利用机器学习和高通量计算方法，通过预测材料的稳定性和性质，加速新材料的发现。文章介绍了GNoME的 工作原理和方

    2024年02月02日
    浏览(63)
  • Generative Cooperative Learning for Unsupervised Video Anomaly Detection 论文阅读

    Generative Cooperative Learning for Unsupervised Video Anomaly Detection 论文阅读

    文章信息： 发表于：CVPR 2022 原文链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Zaheer_Generative_Cooperative_Learning_for_Unsupervised_Video_Anomaly_Detection_CVPR_2022_paper.pdf 视频异常检测在弱监督和单类别分类（OCC）设置下已经得到很好的研究。然而，无监督视频异常检测方法相对较少，可

    2024年01月25日
    浏览(59)
  • Benchmarking Augmentation Methods for Learning Robust Navigation Agents 论文阅读

    Benchmarking Augmentation Methods for Learning Robust Navigation Agents 论文阅读

    题目 ：Benchmarking Augmentation Methods for Learning Robust Navigation Agents: the Winning Entry of the 2021 iGibson Challenge 作者 ：Naoki Yokoyama, Qian Luo 来源 ：arXiv 时间 ：2022 深度强化学习和可扩展的真实感模拟的最新进展使得用于各种视觉任务（包括导航）的具体人工智能日益成熟。然而，虽然在

    2024年02月14日
    浏览(40)
  • Learning Memory-guided Normality for Anomaly Detection 论文阅读

    Learning Memory-guided Normality for Anomaly Detection 论文阅读

    文章信息： 发表于：cvpr2020 原文：https://arxiv.org/abs/2003.13228 代码：https://github.com/cvlab-yonsei/MNAD 我们致力于解决异常检测的问题，即在视频序列中检测异常事件。基于卷积神经网络（CNNs）的异常检测方法通常利用代理任务，比如重建输入视频帧，以在训练时学习描述正常情况

    2024年02月03日
    浏览(58)
  • [论文阅读]Self-Supervised Learning for Videos: A Survey

    [论文阅读]Self-Supervised Learning for Videos: A Survey

    Schiappa, M. C., Rawat, Y. S., Shah, M. (2023). Self-Supervised Learning for Videos: A Survey. ACM Comput. Surv., 55(13s), 1–37. https://doi.org/10.1145/3577925 论文中文名称：视频的自监督学习综述 摘要： 深度学习在各个领域取得的显著成功依赖于大规模标注数据集的可用性。然而，获取标注是昂贵且需要巨

    2024年01月17日
    浏览(57)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包